基于深度神经网络的乳腺癌淋巴结自动分级

PathoNet：深度学习辅助评估Ki-67和肿瘤浸润淋巴细胞（TIL）作为乳腺癌预后因素;大型数据集和基线

PathoNet: Deep learning assisted evaluation of Ki-67 and tumor infiltrating lymphocytes (TILs) as prognostic factors in breast cancer; A large dataset and baseline

Shiraz University（设拉子大学）；Koc University（科奇大学）；Shiraz University of Medical Sciences（设拉子医科大学）

核蛋白Ki-67和肿瘤浸润淋巴细胞（TIL）已被引入作为预测肿瘤进展及其治疗反应的预后因素。文献中强调了Ki-67指数和TIL在异质性肿瘤（如乳腺癌（BC），被称为全球女性最常见的癌症）中的价值。由于Ki-67和TILs评分的不确定性和主观性，使用机器学习的自动化方法，特别是基于深度学习的方法，引起了人们的关注。然而，深度学习方法需要大量的注释数据。在没有公开可用的BC Ki-67染色细胞检测和进一步注释的细胞分类的基准的情况下，我们提出SHIDC-BC-Ki-67作为用于上述目的的数据集。我们还引入了一个新的管道和后端，即PathoNet，用于Ki-67免疫染色细胞检测和分类，并同时确定肿瘤内TIL评分。此外，我们表明，尽管面临挑战，我们提出的后端，PathoNet，优于最先进的方法提出的谐波平均值测量。

2021-04-28cs.CVcs.LGeess.IV

乳腺癌患者腋窝淋巴结转移的集成几何量化与形态分析框架

An integrated geometric quantification and shape analysis framework for axillary lymph node metastasis in breast cancer patients

Central South University（中南大学）；The Second Xiangya Hospital, Central South University（中南大学湘雅二医院）；Clinical Research Center for Breast Disease in Hunan Province（湖南省乳腺疾病临床研究中心）；The Chinese University of Hong Kong（香港中文大学）

该研究提出集成拓扑感知表面处理与多分辨率球谐分析的框架，用于定量表征乳腺癌腋窝淋巴结形态，其混合分辨率模型AUC达0.918，优于传统基线，并验证了可移植性。

2026-09-29cs.CVq-bio.QM

乳腺癌组织学图像像素级自动分级的半监督框架

A Semi-Supervised Framework for Automatic Pixel-Wise Breast Cancer Grading of Histological Images

在全世界，乳腺癌是女性死亡的主要原因之一。最近，深度学习方法被开发用于对组织学载玻片的乳腺癌进行自动分级。然而，由于缺乏大型注释生物医学数据集，现有深度学习模型的性能受到限制。减轻注释负担的一种有希望的方法是利用未注释的数据集来增强训练的模型。本文首次将主动学习方法应用于乳腺癌分级，提出了一种基于期望最大化（EM）模型的半监督框架。建议EM方法是基于注释和未注释的数据集之间的协同过滤。协同过滤方法有效地从未标注的图像中提取有用和可信的数据集。全切片图像（WSI）的逐像素预测结果表明，该方法不仅优于最先进的方法，而且还显着降低了70%以上的注释成本。

2022-03-08cs.CV

一种稳健有效的乳腺癌转移检测和pN-stage分类方法

A Robust and Effective Approach Towards Accurate Metastasis Detection and pN-stage Classification in Breast Cancer

Lunit inc.（Lunit公司）

TNM分期的预测是乳腺癌预后和治疗的主要决定因素。TNM分期的基本部分是癌症是否转移到区域淋巴结（N期）。病理学N分期（pN分期）通常由病理学家在组织学载玻片中检测转移进行。然而，这种诊断程序容易产生误解，并且通常需要病理学家花费大量时间，因为需要彻底审查的数据量很大。淋巴结转移的自动检测和pN-阶段预测具有很大的潜力，以减少他们的工作量，并帮助病理学家。卷积神经网络（CNN）的最新进展已经显示出组织学载玻片分析的显著改进，但是由于处理千兆像素图像的困难，准确性没有优化。在本文中，我们提出了一个强大的方法，从多个千兆像素的病理图像中的乳腺癌转移检测和PN-阶段分类的有效方式。通过组合基于块级CNN的转移检测器和载玻片级淋巴结分类器来预测PN阶段。所提出的框架在Camelyon 17数据集上实现了最先进的二次加权kappa得分0.9203，优于Camelyon 17挑战赛的先前获胜方法。

2018-05-30cs.CV

使用QuPath自动化乳腺癌组织病理学图像中的肿瘤浸润淋巴细胞评估：一个透明且易于访问的机器学习流程

Automating tumor-infiltrating lymphocyte assessment in breast cancer histopathology images using QuPath: a transparent and accessible machine learning pipeline

UiT The Arctic University of Norway（挪威北极圈大学）；University Hospital of North Norway（挪威北部大学医院）

本研究在QuPath中构建了一个端到端的自动化肿瘤浸润淋巴细胞（TILs）评估流程，通过像素分类和深度学习模型实现细胞分割与检测，并在外部测试集上达到0.71的Cohen's kappa，验证了其作为乳腺癌H&E染色WSIs中TILs评估实用方案的有效性。

2025-05-28cs.AIcs.CVq-bio.QM

乳腺癌检测和恶性分级的Entrance分类器方法-综述

Ensemble classifier approach in breast cancer detection and malignancy grading- A review

Banasthali University（巴纳斯泰利大学）

乳腺癌的诊断病例每年都在增加，不幸的是，它转化为高死亡率。癌症在早期阶段很难检测到，因为恶意细胞显示出与非恶意细胞相似的特性（密度）。如果能在早期发现乳腺癌，死亡率本来可以降到最低。但是目前的系统还没有能够实现一个全自动的系统，不仅能够检测乳腺癌，而且可以检测它的阶段。恶性程度的估计是重要的，在诊断恶性细胞的生长程度，以及在选择适当的治疗为患者。因此，一个完整的和有效的临床决策支持系统的建议，这是能够实现乳腺癌恶性度分级方案非常有效。该系统基于图像处理和机器学习领域。分类不平衡问题是一种机器学习问题，当一个类的实例比另一个类的实例高得多时，会发生分类不平衡问题，从而导致样本分类效率低下，从而导致决策支持系统不好。因此，EUSBoost，基于集成的分类器被提出，这是有效的，并且能够优于其他分类器，因为它利用了随机欠采样技术的两种提升算法的优点。本文还将EUSBoost与其他技术进行了比较。

2017-04-11cs.CV

基于双能CT的空间压缩方法用于乳腺癌转移性淋巴结多分类

DECT-based Space-Squeeze Method for Multi-Class Classification of Metastatic Lymph Nodes in Breast Cancer

School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院）；Department of Radiology, Sun Yat-Sen Memorial Hospital, Sun Yat-Sen University（中山大学附属肿瘤医院放射科）；Medical Imaging Center, Shenzhen Hospital of Southern Medical University（南方医科大学深圳医院医学影像中心）；Hithink RoyalFlush Information Network Co., Ltd.（慧思科技有限公司）；Department of Radiology, The third Affilliated Hospital of Guangzhou Medical University（广州医学院第三附属医院放射科）

提出基于双能CT的空间压缩方法，结合通道注意力和虚拟类别注入，对乳腺癌前哨淋巴结进行三分类，在227例病例上实现AUC 0.86，优于传统CNN。

2025-05-23cs.CVeess.IV

基于U-Net的乳腺癌转移灶检测与分类

Detection and Classification of Breast Cancer Metastates Based on U-Net

GENERATIONSE SOFTWARE SOLUTIONS, INC.（GENERATIONSE软件解决方案公司）

本文提出了基于U网的乳腺癌淋巴结转移检测和分类，以及基于转移检测的患者级分类。整个流程可以分为五个步骤：预处理和数据论证，基于块的分割，后处理，幻灯片级分类和患者级分类。为了减少过拟合并加速收敛，我们在U-Net中应用了批量归一化和丢弃。在训练数据上，最终Kappa得分达到0.902。

2019-09-09cs.CVcs.LGeess.IV

用于乳腺密度预测的光度计Transformer网络和标记调整

Photometric Transformer Networks and Label Adjustment for Breast Density Prediction

Lunit Inc.（Lunit公司）

乳腺密度分级对数字乳腺X线照片的归一化设置高度敏感，因为密度与像素强度分布密切相关。此外，由于评分标准不确定，评分因读者而异。这些问题是数字乳房X光检查密度评估中固有的。当设计乳腺密度的计算机辅助预测模型时，它们是有问题的，如果数据来自多个站点，它们会变得更糟。在本文中，我们提出了两种用于乳腺密度预测的新型深度学习技术：1）自适应归一化输入乳房X线照片的光度变换，以及2）通过使用其输出预测来调整标签的标签蒸馏。光度Transformer网络与主预测网络联合学习，动态预测光度变换的最佳参数。标签蒸馏是一种伪标签技术，旨在减轻分级变化。我们的实验表明，所提出的方法是有益的乳腺密度预测，导致显着的性能改善相比，以前的各种方法。

2019-05-08cs.CV

乳腺癌组织学图像中癌细胞核的检测与评分

Cancerous Nuclei Detection and Scoring in Breast Cancer Histopathological Images

Department of Electrical and Electronics Engineering, Shiraz University of Technology（设拉子理工大学电气与电子工程系）；Department of Pathology, School of Medicine, Shiraz University of Medical Sciences（设拉子医科大学医学院病理学系）

乳腺癌的早期发现和预后是可行的，利用活检标本的组织病理学分级。本研究的重点是乳腺癌组织病理学图像中细胞核多形性的检测和分级。所提出的方法包括三个内部步骤。首先，在预处理步骤中使用H&E的解混颜色。其次，对预处理后的图像进行形态学运算和高斯差分滤波，提取癌细胞核的中心，并结合癌细胞核的中心提取癌细胞核的边界。最后，对分割的细胞核进行评分，以完成乳腺癌Nottingham分级系统的一个参数。在这种方法中，细胞核面积、染色质密度、轮廓规则性和核仁存在是细胞核多形性评分的特征。实验结果表明，该算法的准确率为86.6%，与相关文献中的现有方法相比，在检测癌细胞核方面取得了显着进步。

2016-12-05cs.CV

使用原发性肿瘤活检切片上的深度学习预测早期乳腺癌的腋窝淋巴结转移

Predicting Axillary Lymph Node Metastasis in Early Breast Cancer Using Deep Learning on Primary Tumor Biopsy Slides

Beijing Chao-Yang Hospital（北京朝阳医院）；Beijing University of Posts and Telecommunications（北京邮电大学）

目的：开发并验证基于深度学习（DL）的原发性肿瘤活检特征，用于在临床阴性的早期乳腺癌（EBC）患者中术前预测腋窝淋巴结（ALN）转移。方法：从2010年5月至2020年8月，共招募了1，058例经病理证实的ALN状态的EBC患者。在基于注意力的多实例学习（AMIL）框架上建立DL芯针活检（DL-CNB）模型，以利用DL特征预测ALN状态，所述DL特征从由两名病理学家注释的乳腺CNB标本的数字化全载玻片图像（WSIs）的癌症区域中提取。准确性，灵敏度，特异性，受试者工作特征（ROC）曲线，和ROC曲线下面积（AUC）进行了分析，以评估我们的模型。结果如下：使用VGG16_BN作为特征提取器的性能最佳的DL-CNB模型在预测独立测试队列中的阳性ALN转移方面实现了0.816的AUC（95%置信区间（CI）：0.758，0.865）。此外，我们结合临床数据的模型（称为DL-CNB+C）的准确度最高，为0.831（95%CI：0.775，0.878），尤其是对于年龄小于50岁的患者（AUC：0.918，95%CI：0.825，0.971）。DL-CNB模型的解释显示，最能预测ALN转移的前几个特征由核特征表征，包括密度（$p$ = 0.015）、周长（$p$ = 0.009）、圆形度（$p$ = 0.010）和方向（$p$ = 0.012）。结论：我们的研究提供了一种新的基于DL的原发性肿…

2022-06-08cs.CVeess.IVphysics.med-ph

数字病理学中基于弱标记包的学习

Cluster-Based Learning from Weakly Labeled Bags in Digital Pathology

Sunnybrook Research Institute（桑尼布鲁克研究所）；University of Toronto（多伦多大学）；Vector Institute（向量研究所）

为了减轻在训练深度神经网络时收集详细专家注释的负担，我们提出了一种弱监督学习方法来识别乳腺淋巴结显微图像中的转移灶。我们描述了一种替代的训练损失，它在潜在空间中聚类弱标记的袋子，以在卷积神经网络的训练过程中告知补丁实例的相关性。我们在Camelyon数据集上评估了我们的方法，该数据集包含乳腺淋巴结的高分辨率数字幻灯片，其中在图像级别提供标签，并且在训练期间仅提供补丁的子集。

2018-11-28cs.CVcs.LGstat.ML

面向乳腺癌切片病理淋巴结转移的综合基准

Towards a Comprehensive Benchmark for Pathological Lymph Node Metastasis in Breast Cancer Sections

Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital & Shenzhen Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College（中国医学科学院北京协和医学院肿瘤医院（国家癌症中心/国家临床肿瘤医学中心）深圳医院）；Research Institute of Tsinghua, Guangzhou（清华大学广州研究院）

本研究重新处理了Camelyon系列1,399张WSIs，纠正标签并补充专家像素标注，将乳腺癌淋巴结转移筛查升级为四分类任务，为病理学特征提取器与MIL方法提供了新基准。

2024-11-16cs.CVeess.IV

用于非癌症淋巴结转移检测的域自适应策略

Domain adaptation strategies for cancer-independent detection of lymph node metastases

Nijmegen, the Netherlands

最近，大型高质量的公共数据集导致了卷积神经网络的发展，可以在专家病理学家的水平上检测乳腺癌的淋巴结转移。许多癌症，无论起源部位如何，都可以转移到淋巴结。然而，收集和注释每种癌症类型的高容量，高质量数据集是具有挑战性的。在本文中，我们研究了如何在多任务设置中最有效地利用现有的高质量数据集来执行密切相关的任务。具体来说，我们将探索不同的训练和域适应策略，包括预防灾难性遗忘，用于结肠癌和头颈癌淋巴结转移检测。我们的研究结果显示了两种癌症转移检测任务的最新性能。此外，我们证明了从一种癌症类型到另一种癌症类型的网络重复适应的有效性，以获得多任务转移检测网络。最后，我们证明了利用现有的高质量数据集可以显着提高新目标任务的性能，并且可以使用正则化有效地减轻灾难性遗忘。

2022-07-13cs.CVcs.LGeess.IV

利用经优化的合成相关扩散成像构建的多参数MRI改进乳腺癌分级预测

Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging

University of Waterloo（滑铁卢大学）

针对有创乳腺癌分级的痛点，本研究融合优化后的CDI^s与DWI构建多参数MRI，基于更大患者队列微调全层预训练MONAI模型，将分级预测的留一法交叉验证准确率提升至95.79%，较此前结果高8%以上。

2024-05-13cs.CVeess.IV

ScanNet：一种用于从全切片图像检测转移性乳腺癌的快速和密集扫描框架

ScanNet: A Fast and Dense Scanning Framework for Metastatic Breast Cancer Detection from Whole-Slide Images

The Chinese University of Hong Kong（香港中文大学）；Imsight Medical Technology Inc（宜远智能医疗科技有限公司）；Xiamen University（厦门大学）；The Hong Kong Polytechnic University（香港理工大学）

淋巴结转移是乳腺癌最重要的诊断指标之一，传统上由病理学家在显微镜下观察。近年来，计算机组织学诊断已成为医学图像计算中发展最快的领域之一，它减轻了病理学家的工作量，降低了误诊率。然而，由于具有巨大分辨率的大规模数据和硬模拟的存在，从整个载玻片图像中自动检测淋巴结转移仍然是一个具有挑战性的问题。在本文中，我们提出了一种新的框架，利用全卷积网络进行有效的推理，以满足临床实践的速度要求，同时在不同的偏移下重建密集的预测，以确保对微观和宏观转移的准确检测。采用异步样本预取和硬否定挖掘策略，可以有效地训练网络。在2016年Camelyon Grand Challenge的基准数据集上进行的大量实验证实了我们方法的有效性。与最先进的方法相比，我们的方法在肿瘤定位任务上以更快的速度取得了优异的性能，并且在WSI分类任务上超过了人类的性能。

2017-07-30cs.CV

ECTIL：乳腺癌中标签高效的计算机肿瘤浸润淋巴细胞（TIL）评估：对2,340例乳腺癌患者的多中心验证

ECTIL: Label-efficient Computational Tumour Infiltrating Lymphocyte (TIL) assessment in breast cancer: Multicentre validation in 2,340 patients with breast cancer

University of Amsterdam（阿姆斯特丹大学）；Netherlands Cancer Institute（荷兰癌症研究所）；Erasmus University Medical Center（伊拉斯姆斯大学医学中心）；University Medical Center Groningen（格罗宁根大学医学中心）；The Amsterdam University Medical Centre, AUMC, The University of Amsterdam（阿姆斯特丹大学医学中心（阿姆斯特丹大学））；ZAS Hospitals（ZAS医院）；Peter Mac Callum Centre（彼得·麦卡勒姆中心）；University Medical Center Utrecht（乌得勒支大学医学中心）

提出ECTIL，一种标签高效的深度学习模型，仅需少量标注即可快速训练，在2,340例乳腺癌多中心验证中与病理学家高度一致，并独立预测生存预后。

2025-01-24cs.AIcs.CVeess.IV

用深度卷积神经网络识别前哨淋巴结转移

Identifying Metastases in Sentinel Lymph Nodes with Deep Convolutional Neural Networks

Proscia Inc.（Proscia公司）

淋巴结转移是乳腺癌最重要的预后指标之一。然而，目前人工检查前哨淋巴结的诊断程序非常耗时且主观。病理学家必须手动扫描整个数字全载玻片图像（WSI），以寻找转移区域，这些区域有时只能在高分辨率下检测到，或者完全隐藏在人类视觉皮层之外。2015年10月至2016年4月，国际生物医学成像研讨会（ISBI）举办了Camelyon Grand Challenge 2016，以众包淋巴结转移自动检测的想法和算法。使用可推广的染色归一化技术和Proscia Pathology云计算平台，我们在数百万个组织和肿瘤图像瓦片上训练了一个深度卷积神经网络，以对我们的全载玻片图像测试集进行基于载玻片的评估，灵敏度为0.96，特异性为0.89，AUC评分为0.90。我们的结果表明，我们的平台可以自动扫描任何WSI的转移区域，而无需对相应的染色谱进行机构校准。

2016-08-04cs.CV

BCNet：用于乳腺癌分级的深度卷积神经网络

BCNet: A Deep Convolutional Neural Network for Breast Cancer Grading

Islamic Azad University（伊斯兰阿扎德大学）；Kharazmi University of Tehran（德黑兰哈拉兹米大学）；Islamic Azad University Science and Research Branch（伊斯兰阿扎德大学科学与研究分校）

乳腺癌已成为影响全世界人民的最常见的癌症之一，并对人类特别是妇女构成严重威胁。为了提供这种癌症的有效治疗或预防，早期阶段的疾病诊断将是非常重要的。已经有各种方法来检测这种疾病，其中使用图像必须发挥主导作用。深度学习最近在不同的科学领域得到了广泛的应用，尤其是医学领域。在乳腺癌检测问题中，已经在不同的数据集上开发了一些不同的深度学习技术，并取得了良好的准确性。在这篇文章中，我们的目标是提出一个深度神经网络模型来分类来自Databaseox图像数据集的组织病理学图像，作为该图像数据库的第一个应用程序。我们提出的BCNet模型利用了迁移学习方法，其中从可用的相关模型中选择VGG16作为特征提取器。此外，为了解决数据不足的问题，我们采用了数据增强技术来扩展输入数据集。本研究中的所有实现，从预处理操作到描述模型架构图，都是使用tf.keras API进行的。作为建议的模型执行的结果，88%的显着验证精度和72%的评价精度。

2021-07-11cs.CVeess.IV

预测腋窝淋巴结转移中存在缺失模态的多模态学习

Multi-modal Learning with Missing Modality in Predicting Axillary Lymph Node Metastasis

Zhejiang University（浙江大学）；Westlake University（西湖大学）

针对腋窝淋巴结转移诊断中临床信息缺失导致多模态模型性能下降的问题，提出双向蒸馏框架，通过多模态与单模态分支互相学习，在无缺失和80%缺失率下均取得优异AUC表现。

2024-01-03cs.CVeess.IV

基于深度学习的乳腺组织病理学图像中导管原位癌的分级

Deep Learning-Based Grading of Ductal Carcinoma In Situ in Breast Histopathology Images

Eindhoven University of Technology（埃因霍温理工大学）；University Medical Center Utrecht（乌得勒支大学医学中心）；University Utrecht（乌得勒支大学）；Harvard Medical School（哈佛医学院）；Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心）

导管原位癌（DCIS）是一种非侵袭性乳腺癌，可进展为侵袭性导管癌（IDC）。研究表明，DCIS通常被过度治疗，因为相当一部分DCIS病变可能永远不会进展为IDC。较低级别的病变具有较低的进展速度和风险，可能允许治疗降级。然而，研究显示DCIS分级存在显著的观察者间差异。自动图像分析可以提供客观的解决方案，以解决病理学家对DCIS分级的高度主观性。在这项研究中，我们开发了一个基于深度学习的DCIS评分系统。它是使用来自59名患者的1186个DCIS病变的数据集上的三位专家观察员的共识DCIS等级开发的。观察员之间的协议，衡量二次加权科恩的kappa，被用来评估系统，并比较其性能的专家观察员。我们对来自50名患者的1001处病变的独立测试集进行了病变水平和患者水平观察者间一致性分析。深度学习系统（dl）在病变水平上实现了与观察者（o1、o2和o3）（$κ_{o1,dl}=0.81, κ_{o2,dl}=0.53, κ_{o3,dl}=0.40$）的平均观察者间一致性略高于观察者之间的一致性（$κ_{o1,o2}=0.58, κ_{o1,o3}=0.50, κ_{o2,o3}=0.42$）。在患者层面，深度学习系统与观察者（$κ_{o1,dl}=0.77, κ_{o2,dl}=0.75, κ_{o3,dl}=0.70$）达成的一致与观察者之间（$κ_{o1,o2}=0.77, κ_{o1…

2020-10-07cs.CVeess.IV

一个完整注释的犬乳腺癌全切片图像数据集，以帮助人类乳腺癌研究

A completely annotated whole slide image dataset of canine breast cancer to aid human breast cancer research

Friedrich-Alexander-Universität Erlangen-Nürnberg（弗里德里希-亚历山大大学埃尔兰根-纽伦堡分校）；Freie Universität Berlin（柏林自由大学）；Animal Medical Center（动物医学中心）

犬乳腺癌（CMC）已被用作研究人类乳腺癌发病机制的模型，并且通常使用相同的分级方案来评估两者中的肿瘤恶性程度。该分级方案的一个关键组成部分是有丝分裂像（MF）的密度。目前公开可用的人类乳腺癌数据集仅为全载玻片图像（WSIs）的小子集提供注释。我们提出了一个新的数据集的21个WSI的CMC完全注释MF。为此，病理学家筛选了所有WSI中的潜在MF和具有相似外观的结构。第二个专家盲目地分配标签，对于不匹配的标签，第三个专家分配最终的标签。此外，我们使用机器学习来识别以前未检测到的MF。最后，我们进行了表示学习和二维投影，以进一步提高注释的一致性。我们的数据集包括13，907个MF和36，379个硬阴性。我们在测试集上实现了0.791的平均F1得分，在人类乳腺癌数据集上达到了0.696。

2020-11-27cs.AIcs.CV

乳腺癌的遗传-组织学关系探讨

Exploring Genetic-histologic Relationships in Breast Cancer

International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术学院）

数字病理学的出现为计算机视觉提供了快速、准确和客观的组织病理学图像解决方案的机会，并有助于知识发现。这项工作使用深度学习从乳腺癌组织病理学图像中预测基因组生物标志物-TP 53突变、PIK 3CA突变、ER状态、PR状态、HER 2状态和内在亚型。此外，我们试图了解这些基因组生物标志物如何在图像中表现的基本形态。由于基因测序是昂贵的，并不总是可用的，甚至是可行的，从图像预测这些生物标志物将有助于诊断，预后和有效的治疗计划。我们优于现有的作品，在所有任务中，AUROC分数的最小改进为0.02，最大为0.13。我们还获得了可以作为进一步实验假设的见解，包括淋巴细胞和核破裂的存在。此外，我们的全自动工作流程可以扩展到其他癌症亚型的其他任务。

2021-03-15cs.CV

用于预测腋窝淋巴结转移的全切片多示例学习

Whole Slide Multiple Instance Learning for Predicting Axillary Lymph Node Metastasis

Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）；Technical University of Munich（慕尼黑工业大学）；Imperial College London（帝国理工学院）

针对乳腺癌腋窝淋巴结转移识别需求，提出少一步的深度学习分类流水线，用1058名患者的公开数据集评估前沿模型性能，开展数据增强消融研究并评估人工肿瘤分割标注的作用。

2023-10-06cs.CVeess.IV

WeakSTIL：弱的全切片图像水平间质瘤浸润淋巴细胞评分是您所需要的全部

WeakSTIL: Weak whole-slide image level stromal tumor infiltrating lymphocyte scores are all you need

Netherlands Cancer Institute（荷兰癌症研究所）；University of Amsterdam（阿姆斯特丹大学）；VU University Amsterdam（阿姆斯特丹自由大学）；Ellogon AI B.V.（Ellogon AI 公司）；Radboud University Medical Center（拉德堡德大学医学中心）

我们提出了WeakSTIL，这是一种可解释的两阶段弱标记深度学习管道，用于对乳腺癌组织的H& E染色全载玻片图像（WSIs）中的基质肿瘤浸润淋巴细胞（sTIL%）百分比进行评分。sTIL%评分是许多实体瘤类型的预后和预测生物标志物。然而，由于高标记工作和高观察者内和观察者间的差异，该生物标志物目前未用于常规临床决策。WeakSTIL使用在未标记的组织病理学数据上进行自监督学习预训练的特征提取器压缩WSI的瓦片，并通过使用仅需要弱WSI级别标记的多实例学习回归器来学习预测肿瘤床中每个瓦片的精确sTIL%分数。通过仅需要弱标记，我们克服了训练当前现有的TIL检测方法所需的大量注释工作。我们表明，WeakSTIL在预测WSI水平sTIL%评分时至少与其他TIL检测方法一样好，与专家病理学家生成的评分相比，WeakSTIL达到了$0.45\pm0.15$的决定系数，并且当将其视为临床上有趣的sTIL高与sTIL低分类任务时，其AUC为$0.89\pm0.05$。此外，我们表明，中间瓦片级预测的WeakSTIL是高度可解释的，这表明WeakSTIL注重潜在的功能相关的TIL的数量和组织类型。在未来，WeakSTIL可用于提供一致和可解释的sTIL%预测，以将乳腺癌患者分层到靶向治疗组。

2021-09-13cs.CVeess.IV

Cancer-Net BCa-S：使用来自合成相关扩散成像的体积深度影像组学特征进行乳腺癌分级预测

Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging

University of Waterloo（滑铁卢大学）

针对传统乳腺癌SBR分级需活检的问题，提出基于合成相关扩散成像(CDI$^s$)体积深度影像组学方法Cancer-Net BCa-S，实现无需活检的准确SBR分级预测，性能优于金标准成像模态。

2023-04-12cs.CV

深度学习用于识别转移性乳腺癌

Deep Learning for Identifying Metastatic Breast Cancer

Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心）；Harvard Medical School（哈佛医学院）；Massachusetts Institute of Technology（麻省理工学院）

国际生物医学成像研讨会（ISBI）举行了一个巨大的挑战，以评估计算系统的前哨淋巴结活检的全切片图像中转移性乳腺癌的自动检测。我们的团队在大挑战中赢得了两项比赛，获得了全载玻片图像分类任务的受试者工作曲线下面积（AUC）为0.925，肿瘤定位任务的得分为0.7051。病理学家独立审查了相同的图像，获得了0.966的全载玻片图像分类AUC和0.733的肿瘤定位评分。将我们的深度学习系统的预测与人类病理学家的诊断相结合，将病理学家的AUC增加到0.995，这意味着人类错误率降低了约85%。这些结果表明，使用深度学习可以显著提高病理诊断的准确性。

2016-06-18cs.CVq-bio.QM

虚拟染色在乳腺组织学中的应用

Virtual staining for mitosis detection in Breast Histopathology

Radboudumc（拉德堡德大学医学中心）；Radboud University（拉德堡德大学）；Fraunhofer MeVis（弗劳恩霍夫MeVis研究所）

我们提出了一种基于生成对抗网络的虚拟染色方法，将乳腺癌组织的组织病理学图像从H&E染色映射到PHH3，反之亦然。我们使用由此产生的合成图像来构建卷积神经网络（CNN），用于自动检测有丝分裂像，这是一种用于常规乳腺癌诊断和分级的强预后生物标志物。我们提出了几种方案，其中用合成生成的组织病理学图像训练的CNN与用真实图像训练的相同基线模型表现相当，甚至更好。我们讨论了这个应用程序的潜力，以规模的训练样本的数量，而不需要手动注释。

2020-03-17cs.CVeess.IV

用于历史学双向推理的回归概念向量

Regression Concept Vectors for Bidirectional Explanations in Histopathology

University of Geneva (UNIGE)（日内瓦大学）；University of Applied Sciences Western Switzerland (HES-SO)（瑞士西部应用科学大学）

根据领域相关概念对深度神经网络预测的解释在医学应用中可能是有价值的，其中理由对于决策制定的信心是重要的。在这项工作中，我们提出了一种方法来利用连续的概念措施作为回归概念向量（RCV）在激活空间的一层。决策函数沿RCV的方向导数表示网络对给定概念度量的增加值的敏感性。当应用于乳腺癌分级时，核纹理作为检测乳腺淋巴结样本中的肿瘤组织的相关概念出现。我们通过统计分析来评估评分的稳健性和一致性。

2019-04-09cs.CVcs.LGstat.ML

用于历史学图像分析的深度多分辨率字典学习

Deep Multi-Resolution Dictionary Learning for Histopathology Image Analysis

University of Warwick（华威大学）；Tissue Image Analytics (TIA) Centre, University of Warwick（华威大学组织图像分析中心）

识别存在于多千兆像素组织学图像中的各种类型的组织的问题是用于计算病理学的自下而上分析范例中的肿瘤微环境的下游分析的重要基本先决条件。在本文中，我们提出了一种深度字典学习方法来解决组织学图像中的组织表型问题。我们提出了深度多分辨率字典学习（deepMRDL），以便从多个不同空间分辨率的深度纹理描述符中受益。我们通过对来自不同器官（结直肠癌，乳腺癌和乳腺淋巴结）和任务（即癌症分级，组织表型，肿瘤检测和组织类型分类）的四个基准组织学图像数据集进行广泛的实验，显示了所提出的方法的有效性。我们还表明，该框架可以采用大多数现成的CNN模型来生成有效的深度纹理描述符。

2021-04-01cs.CVcs.LGeess.IV

MITOS-RCNN：一种基于区域的卷积神经网络检测乳腺癌组织学图像核分裂像的新方法

MITOS-RCNN: A Novel Approach to Mitotic Figure Detection in Breast Cancer Histopathology Images using Region Based Convolutional Neural Networks

Monta Vista High School（蒙塔维斯塔高中）

研究估计，仅在2018年就将有266，120例新的浸润性乳腺癌病例和40，920例乳腺癌死亡。尽管这种痛苦普遍存在，但目前获得准确的乳腺癌预后的过程是繁琐和耗时的，需要训练有素的病理学家手动检查组织病理学图像，以确定表征各种癌症严重程度的特征。我们提出MITOS-RCNN：一种新的基于区域的卷积神经网络（RCNN），适用于小目标检测，以准确地对诺丁汉分级系统描述的表征肿瘤交战性的三个因素之一进行分级：有丝分裂计数。有丝分裂像计数和检测的其他计算方法没有表现出足够的召回率或精确度在临床上可行。我们的模型在ICPR 2012挑战赛、AMIDA 2013挑战赛和MITOS-ATYPIA-14挑战赛以及最近发表的作品中的表现优于所有之前的参与者。我们的模型实现了0.955的F-measure得分，比以前提出的最准确的模型的准确性提高了6.11%。

2018-07-04cs.CV

病理信息引导的潜在扩散模型用于淋巴结转移中的异常检测

Pathology-Informed Latent Diffusion Model for Anomaly Detection in Lymph Node Metastasis

School of Electrical Engineering, Korea University, Seoul 02841, Korea（韩国大学电子工程学院）；Department of Pathology, Korea University Anam Hospital and Department of Biomedical Informatics, Korea University College of Medicine, Seoul 02841, Korea（韩国大学医学院病理学系）；Department of Hospital Pathology, Seoul St. Mary’s Hospital, College of Medicine, The Catholic University of Korea, Seoul 06591, Korea（韩国天主大学医学院圣玛丽医院医院病理学系）

本文提出一种结合视觉-语言模型与扩散模型的无监督异常检测方法，利用病理学关键词引导重建以区分正常与异常淋巴结组织，并在胃和乳腺淋巴结数据集上验证了其有效性和跨器官泛化能力。

2025-08-21cs.CVeess.IV

基于深度目标检测的乳腺癌组织学图像有丝分裂分析

Deep Object Detection based Mitosis Analysis in Breast Cancer Histopathological Images

PIEAS（巴基斯坦工程与应用科学学院）；Islamia College Peshawar（白沙瓦伊斯兰学院）

乳腺组织活检有丝分裂核检测的经验性评价被认为是肿瘤分级和癌症进展的重要预后生物标志物。然而，自动化的有丝分裂细胞核检测提出了几个挑战，因为像素级注释的不可用，不同的形态配置的有丝分裂细胞核，它们的稀疏表示，并与非有丝分裂细胞核的密切相似性。这些挑战破坏了自动化检测模型的精度，从而使检测难以在单个阶段进行。本文提出了一种端到端的检测系统，用于乳腺癌组织病理学图像中有丝分裂细胞核的识别。基于深度目标检测的Mask R-CNN适用于有丝分裂核检测，其最初选择具有最大召回率的候选有丝分裂区域。在第二阶段，利用多目标损失函数对候选区域进行细化，以提高精度。与TUPAC 16数据集上的两阶段检测模型（F-得分为0.701）相比，所提出的检测模型的性能显示出对有丝分裂核的显著精确度（0.86）的提高的辨别能力（F-得分为0.86）。有希望的结果表明，基于深度目标检测的模型具有从弱注释数据中学习有丝分裂核的特征的潜力，并表明它可以适用于组织病理学图像中的其他核体的识别。

2020-03-17cs.CVcs.LGstat.ML

乳腺癌中资源受限的自动化Ki67指数估计

Resource-Limited Automated Ki67 Index Estimation in Breast Cancer

Università degli Studi di Milano（米兰大学）；European Commission, Joint Research Centre (JRC)（欧盟委员会联合研究中心）；Humanitas University（人道大学）；IRCCS Humanitas Clinical and Research Hospital（IRCCS人道临床与研究医院）；CINI National Laboratory in Artificial Intelligence and Intelligent Systems（CINI人工智能与智能系统国家实验室）

提出一种感知资源消耗的深度神经网络，用于乳腺癌筛查中Ki67阳性细胞百分比估计，在保持或提升准确率的同时显著降低内存、磁盘和能耗。

2023-12-22cs.CVcs.LGeess.IV

一个基于vision transformer的框架：用于从多模态到单模态淋巴瘤亚型分类模型的知识迁移

A vision transformer-based framework for knowledge transfer from multi-modal to mono-modal lymphoma subtyping models

Junia（朱尼亚高等工程学院）；University of Lille（里尔大学）；CNRS（法国国家科学研究中心）；Centrale Lille（里尔中央理工学院）；IMT Nord Europe（北欧电信高等学院）；Institut Mines-Télécom（法国国立矿业与电信学院）；University Hospital of Lille（里尔大学医院）；The University of Tokyo（东京大学）；Yncrea Méditerranée（Yncrea地中海分部）；Yncrea Ouest（Yncrea西部分部）

本文提出一个基于vision transformer的框架，通过多模态架构与知识蒸馏技术训练单模态分类器，从高分辨率WSI中区分DLBCL亚型，实验表明其优于六种SOTA方法并具临床潜力。

2024-05-29cs.CVeess.IVq-bio.QM

eXclusive自动编码器（XAE）用于苏木精和伊红（H&E）染色的组织学图像的细胞核检测和分类

eXclusive Autoencoder (XAE) for Nucleus Detection and Classification on Hematoxylin and Eosin (H&E) Stained Histopathological Images

Pfizer Inc.（辉瑞公司）；Sorbonne Université（索邦大学）

在本文中，我们介绍了一种新的特征提取方法，命名为排他性的自动编码器（XAE），这是一个监督版本的自动编码器（AE），能够大大提高性能的核检测和分类的苏木精和伊红（H&E）的病理组织图像。只要在特征提取阶段也提供数据标签，所提出的XAE可以用于任何基于AE的算法。在实验中，我们评估的方法，这是一个XAE和全连接神经网络（FCN）的组合的性能，并与一些AE为基础的方法进行了比较。对于乳腺癌H&E图像上的细胞核检测问题（被认为是细胞核/非细胞核分类问题），所提出的XAE+FCN方法的F分数达到96.64%，而最先进的是84.49%。用于结直肠癌H&E图像的细胞核分类，具有上皮细胞、炎性细胞、成纤维细胞和其他细胞核四种类别的注释。该方法的F值达到70.4%。我们还提出了一种淋巴细胞分割方法。在淋巴细胞检测步骤中，我们与尖端技术进行了比较，并将性能从90%提高到98.67%。我们还提出了一种基于细胞核检测和分类的淋巴细胞分割算法。获得的Dice系数达到88.31%，而前沿方法为74%。

2018-11-27cs.CV

深入研究用于多类乳腺癌分类的组织学散列和类特定流形学习的判别式增强

Diving Deep onto Discriminative Ensemble of Histological Hashing & Class-Specific Manifold Learning for Multi-class Breast Carcinoma Taxonomy

Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）；Techno India University（印度科技大学）

组织学图像（HI）加密分辨率依赖的异质纹理和不同的颜色分布变化，表现在微观结构的表面组织卷积。此外，癌细胞固有的高相干性对乳腺癌（BC）多分类提出了重大挑战。因此，多类分层很少探索，先前的工作主要集中在良性和恶性组织表征上，这阻碍了对诸如腺病、粘液癌和纤维腺瘤等下级类别的进一步定量分析，以获得诊断能力。在这项工作中，提出了一个来自HI的全自动，近实时和计算成本低廉的鲁棒多分类深度框架。该方案采用深度神经网络（DNN）辅助的整体类特定流形学习（CSML）的判别集成，用于底层HI子空间嵌入和基于HI哈希的局部浅签名。该模型实现了95.8%的准确率相关的多分类和2.8%的整体性能提高和38.2%的增强小叶癌（LC）子类识别率相比，现有的国家的最先进的众所周知的BreakHis数据集实现。此外，在200倍的识别率为99.3%，在所有放大倍数下对二进制分级的灵敏度为100%，验证了其适用于手持智能设备的临床部署。

2019-03-24cs.CV

Joint Stream：面向乳腺癌诊断的恶性区域学习

Joint Stream: Malignant Region Learning for Breast Cancer Diagnosis

Intelligent Machine Lab（智能机器实验室）；The Home Depot（家得宝）；Information Technology University（信息技术大学）

针对现有乳腺癌诊断方法仅能预测单一因素的局限，提出基于H&E染色WSI的恶性区域学习注意力网络，结合空间与频域信息实现六项核心指示因素分类，显著提升公开数据集上的分类性能。

2024-06-26cs.CVeess.IV

乳腺癌细胞核多形性谱的自动评分与病理学水平

Automated Scoring of Nuclear Pleomorphism Spectrum with Pathologist-level Performance in Breast Cancer

Radboud University Medical Center（拉德堡德大学医学中心）；GZA-ZNA Hospitals（GZA-ZNA医院）；Peter Mac Callum Cancer Centre（彼得·麦卡勒姆癌症中心）；Mayo Clinic（梅奥诊所）；Medipath & American Hospital of Paris（Medipath与巴黎美国医院）；Canisius Wilhelmina Ziekenhuis（卡尼修斯·威廉米娜医院）；University of Porto（波尔图大学）；The Netherlands Cancer Institute（荷兰癌症研究所）；Technical University Munich（慕尼黑工业大学）；Hannover Medical School（汉诺威医学院）

核多形性，在本文中定义为肿瘤核的总体外观的异常程度，是三层乳腺癌分级的组成部分之一。鉴于核多形性反映了一个连续的变异谱，我们根据几位病理学家的集体知识，在各种肿瘤区域上训练了一个深度神经网络，而没有将网络限制在传统的三类分类上。我们还激发了一种额外的方法，在该方法中，我们讨论了正常上皮作为基线的额外益处，遵循常规临床实践，其中病理学家接受培训以对肿瘤中的核多形性进行评分，并与正常乳腺上皮进行比较。在多个实验中，我们的全自动方法可以在选定的感兴趣区域以及整个切片图像中实现顶级病理学家水平的性能，而分别需要10名和4名病理学家。

2020-12-24cs.CVeess.IV

用PathologyGAN学习真实癌组织的低维流形

Learning a low dimensional manifold of real cancer tissue with PathologyGAN

University of Glasgow（格拉斯哥大学）

深度学习在数字病理学中的应用有望改善疾病诊断和理解。我们提出了一个深度生成模型，该模型学习模拟高保真癌症组织图像，同时将真实图像映射到可解释的低维潜在空间上。该模型的关键是由先前开发的生成对抗网络PathologyGAN训练的编码器。我们使用来自两个乳腺癌队列的249K图像研究潜在空间。我们发现，潜在的空间编码组织的形态特征（例如，癌症，淋巴细胞和基质细胞的模式）。此外，潜在空间揭示了高风险患者组中明显富集的组织结构簇。

2020-04-13cs.CVcs.LGeess.IV

理解深度学习框架在乳腺癌病理图像中的病变检测机制

Understanding the Mechanism of Deep Learning Framework for Lesion Detection in Pathological Images with Breast Cancer

Old Dominion University（奥多明尼昂大学）；Bright Oceans Corporation（亮马桥集团（注：Bright Oceans Corporation 常见译名为“明阳集团”，经核查标准译名为「明阳集团」，此处修正为：明阳集团））；The Fifth Medical Center of the PLA General Hospital（中国人民解放军总医院第五医学中心）

计算机辅助检测（CADe）系统的开发，以协助病理学家在幻灯片评估，提高诊断效率和减少遗漏的检查。许多研究表明，这种具有深度学习方法的CADe系统优于使用依赖于基于领域知识的手工特征的传统方法的系统。然而，大多数采用深度学习模型的开发人员直接关注结果的有效性，而没有全面解释为什么他们提出的框架可以有效地工作。在这项研究中，我们设计了四个实验来验证连续的概念，表明从病理斑块学习的深层特征是可解释的领域知识的病理和启发的临床诊断中的病变检测任务。实验结果表明，激活特征可以作为特定细胞或组织的形态学描述符，符合临床分类规则。也就是说，深度学习框架不仅可以检测肿瘤细胞的分布，还可以识别淋巴细胞、胶原纤维和其他一些非细胞结构组织。通过深度学习模型学习的大多数特征已经总结了可以被有经验的病理学家识别的检测规则，然而仍然有一些特征对于领域专家来说可能不是直观的，但是对于机器分类来说是有区别的。这些特征值得进一步研究，以找出与病理知识之间的合理关联，为病理专家探索诊断新特征提供启示。

2019-03-04cs.CV

DeepSDCS：在Ki67数字全载玻片图像中分析癌症增殖异质性

DeepSDCS: Dissecting cancer proliferation heterogeneity in Ki67 digital whole slide images

Institute of Cancer Research（癌症研究所）；Royal Marsden Hospital（皇家马斯登医院）

Ki67是乳腺癌的重要生物标志物。组织学切片中阳性和阴性Ki67细胞的分类是确定癌症增殖状态的常用方法。然而，缺乏可推广和准确的方法来自动化大规模患者队列中的Ki67评分。在这项工作中，我们采用了一种基于超列描述符的新型深度学习技术，用于Ki67图像中的细胞分类。具体来说，我们开发了同时检测和细胞分割（DeepSDCS）网络来执行细胞分割和检测。采用VGG 16网络对训练数据进行训练和微调。我们提取每个细胞的超列描述符，形成特定层的激活向量，以捕获不同粒度的特征。使用随机梯度下降优化器传播来自这些层的对应于相同像素的特征，以产生细胞核的检测和最终的细胞分割。随后，将从细胞分割产生的种子传播到空间约束的卷积神经网络，用于将细胞分类为基质、淋巴细胞、Ki 67阳性癌细胞和Ki 67阴性癌细胞。我们在雌激素受体阳性乳腺癌的大规模临床试验中验证了其准确性。我们在Ki67染色的乳腺癌数据集的两个单独的测试集上实现了99.06%和89.59%的准确性，包括活检和全载玻片图像。

2018-06-28cs.CV

评估多扫描仪乳腺癌组织病理学图像中有丝分裂检测的域自适应技术

Assessing domain adaptation techniques for mitosis detection in multi-scanner breast cancer histopathology images

University of Leeds（利兹大学）

乳腺癌是世界上最常见的癌症，每年有超过200万新病例。在诊断肿瘤分级期间，病理学家手动计数活检或肿瘤切除标本中分裂细胞（有丝分裂像）的数量。由于该过程是主观和耗时的，数据驱动的人工智能（AI）方法已被开发用于自动检测有丝分裂图。然而，这些方法通常概括性差，性能因组织类型、染色方案或用于数字化全载玻片图像的扫描仪的变化而降低。域自适应方法已经在各种应用中被采用以减轻域转移的这个问题。我们使用MIDOG 2021 Challenge数据集评估了两种无监督域自适应方法CycleGAN和Neural Style Transfer。这项挑战的重点是检测使用不同扫描仪数字化的全载玻片图像中的有丝分裂像。结合上述领域自适应方法，研究了基于U-Net和RetinaNet的两种基线有丝分裂检测模型。两种基线模型都达到了人类专家级的性能，但在使用不同扫描仪进行数字化的图像上进行评估时，性能有所降低。每个域自适应技术都被发现有利于检测来自某些扫描仪的数据，但对其他扫描仪则没有，所有扫描仪的唯一平均增长是由RetinaNet检测器上的CycleGAN实现的。这些技术需要进一步完善，以确保有丝分裂检测的一致性。

2022-01-18cs.CVeess.IV

利用医学基础模型特征在基于图神经网络的乳腺组织病理学图像检索中

Leveraging Medical Foundation Model Features in Graph Neural Network-Based Retrieval of Breast Histopathology Images

Artificial Intelligence Department, Faculty of Computer Engineering, University of Isfahan, Isfahan, Iran；Department of Computer Engineering Techniques, Mazaya University College, Nasiriyah, Iraq；Department of Medicine, Danube Private University, Krems an der Donau, Austria；Austrian Center for Medical Innovation；Research Center for Medical Image Analysis；Artificial Intelligence, Department of Medicine, Danube Private University, Krems an der Donau, Austria

本文提出一种基于图神经网络和对抗正则化的变分自编码器模型，利用医学基础模型特征提升乳腺病理图像检索性能，实验显示其在mAP和mMV指标上优于传统方法。

2024-12-12cs.CV

有限数据访问场景下的深度学习结肠癌检测研究

A Study of Deep Learning Colon Cancer Detection in Limited Data Access Scenarios

Linköping University（林雪平大学）；Sectra AB（Sectra公司）

组织病理学切片的数字化带来了一些进步，从简单的数据共享和协作到数字诊断工具的开发。用于分类和检测的深度学习（DL）方法已经显示出巨大的潜力，但通常需要大量难以收集和注释的训练数据。对于许多癌症类型，数据的稀缺为训练DL模型创造了障碍。一种这样的情况涉及检测淋巴结组织中的肿瘤转移，其中肿瘤与非肿瘤细胞的低比率使得诊断任务困难且耗时。基于DL的工具可以实现更快的诊断，并可能提高质量。不幸的是，由于肿瘤细胞的稀疏性，注释这种类型的数据需要病理学家的高度努力。使用幻灯片级图像的弱注释显示出巨大的潜力，但也需要访问大量的数据。在这项研究中，我们调查有限的数据访问场景的缓解策略。特别是，我们解决了是否有可能利用组织之间的相互结构来开发通用技术，其中来自特定组织中的一种类型的癌症的数据可能对其他组织中的其他癌症具有诊断价值。我们的案例是通过用于淋巴结中转移性结肠癌检测的DL模型来举例说明的。这样的模型可以用很少甚至没有淋巴结数据来训练吗？作为替代数据源，我们研究了1）从原发性结肠肿瘤组织中提取的肿瘤细胞，以及2）来自不同器官（乳腺）的癌症数据，无论是原样还是使用Cycle-GAN转换到目标域（结肠）。我们表明，所建议的方法可以在没有或只有很少淋巴结数据的情况下检测癌症转移，这为现有的注释组织病理学数据可以推广到其他领域的可能性开辟了道路。

2020-05-22cs.CVeess.IV

去除中间人：测量无分割组织病理学切片中的细胞核面积

Cutting out the middleman: measuring nuclear area in histopathology slides without segmentation

TU/e（埃因霍温理工大学）；UMCU（乌得勒支大学医学中心）

切除的乳腺肿瘤组织学标本中细胞核的大小可预测患者的预后（细胞核大表示预后差）。病理学家在进行乳腺癌分级时会考虑细胞核的大小。此外，平均核面积（MNA）已被证明具有独立的预后价值。测量细胞核大小的直接方法是进行细胞核分割。我们假设，给定具有已知核位置的肿瘤区域的图像，可以通过采用机器学习模型直接从图像数据可靠地计算单个核的面积和区域统计，例如MNA，而无需核分割的中间步骤。为了实现这一目标，我们训练了一个深度卷积神经网络模型，该模型在每个核位置局部应用，并且可以可靠地测量单个核和MNA的面积。此外，我们展示了这样的方法可以扩展到执行相结合的核检测和测量，这让人想起粒度。

2016-06-20cs.CV

HookNet：用于组织病理学全切片图像语义分割的多分辨率卷积神经网络

HookNet: multi-resolution convolutional neural networks for semantic segmentation in histopathology whole-slide images

Radboud University Medical Center（拉德堡德大学医学中心）；Institute of Experimental Immunology, University of Zurich（苏黎世大学实验免疫学研究所）；Center for Medical Image Science and Visualization, Linköping University（林雪平大学医学影像科学与可视化中心）

我们提出了HookNet，这是一种用于组织病理学全切片图像的语义分割模型，它通过编码器-解码器卷积神经网络的多个分支将上下文和细节结合起来。具有不同视野的多分辨率同心圆补丁用于馈送HookNet的不同分支，并且通过挂钩机制组合中间表示。我们描述了一个框架来设计和训练HookNet，以实现高分辨率的语义分割，并引入约束，以保证在挂钩过程中的特征图中的像素对齐。我们展示了在两个组织病理学图像分割任务中使用HookNet的优势，其中组织类型预测准确性在很大程度上取决于上下文信息，即（1）乳腺癌中的多类组织分割，以及（2）肺癌中三级淋巴结构和生发中心的分割。我们展示了HookNet与不同分辨率下的单分辨率U-Net模型以及最近发表的用于组织病理学图像分割的多分辨率模型相比的优越性

2020-06-22cs.CVcs.LGeess.IV

ProsMAE：用于ISUP分级分类的多源MAE预训练

ProsMAE: Multi-Source MAE Pretraining for ISUP Grade Classification

Seoul National University（首尔国立大学）；GIST（韩国科学技术院）；NVIDIA（英伟达）

针对全切片图像模型训练难题，提出多源MAE框架ProsMAE，利用多数据集切片预训练编码器，通过ProsCLS用于ISUP分级分类，在不相交PANDA分割下比普通MAE冻结线性探针基线有更高QWK。

2026-09-11cs.AIcs.CVcs.LG

AMDet：组织病理学切片中有丝分裂细胞检测的工具

AMDet: A Tool for Mitotic Cell Detection in Histopathology Slides

University of Memphis（孟菲斯大学）；Microsoft Research（微软研究院）；AutoML Image Lab（AutoML图像实验室）

乳腺癌是世界上最常见的癌症。世界卫生组织报告说，这种疾病仍然影响着发展中世界的很大一部分，理由是大多数低收入至中等收入国家的死亡率增加。病理学家用于诊断乳腺癌的最流行的方案是诺丁汉分级系统，其基于3个主要标准对肿瘤增殖进行分级，其中最重要的是有丝分裂细胞计数。病理学家评估有丝分裂细胞计数的方法是主观和定性分析染色组织切片中存在的细胞，并决定其有丝分裂状态，即是否有丝分裂？这个过程对于病理学家来说是非常低效和累人的，因此非常需要一种有效、准确和全自动的工具来帮助诊断。幸运的是，使用Microsoft Azure提供的AutoML工具，创建这样一个工具变得非常容易，但据我们所知，AutoML工具从未被正式评估用于组织病理学图像中的有丝分裂细胞检测。本文将作为AutoML工具的评估，并将首次介绍该工具如何处理这一具有挑战性的问题。所有代码都可以在https：//www.example.com上找到github.com/WaltAFWilliams/AMDet

2021-08-08cs.CV

探讨术前MRI描述符在预测乳腺癌新辅助化疗病理完全缓解中的附加价值

Exploring the added value of pretherapeutic MR descriptors in predicting breast cancer pathologic complete response to neoadjuvant chemotherapy

Institut Curie（居里研究所）；PSL Research University（巴黎文理研究大学）；Paris-Saclay University（巴黎-萨克雷大学）；Inserm（法国国家健康与医学研究院）；Gustave Roussy（古斯塔夫·鲁西研究所）；Centre Léon Bérard（莱昂·贝拉尔中心）；HCL（里昂民用医院）；University of Paris（巴黎大学）

本研究探讨术前MRI特征在预测乳腺癌新辅助化疗病理完全缓解中的作用，发现非分叶边缘和单发性是独立预测因素，可提高预测模型性能。

2025-11-21cs.CVphysics.med-ph

标签清理多实例学习：优化单个整张幻灯片图像上的粗略注释

Label Cleaning Multiple Instance Learning: Refining Coarse Annotations on Single Whole-Slide Images

Johns Hopkins University（约翰斯·霍普金斯大学）；Johns Hopkins Medicine（约翰斯·霍普金斯医学院）

在病理学样本的全切片图像（WSIs）中注释癌区域在临床诊断、生物医学研究和机器学习算法开发中起着关键作用。然而，生成详尽且准确的注释是劳动密集型的、具有挑战性的并且成本高。仅绘制粗略和近似的注释是一项更容易的任务，成本更低，并且减轻了病理学家的工作量。在本文中，我们研究的问题，细化这些近似注释在数字病理学，以获得更准确的。以前的一些工作已经探索了从这些不准确的注释中获得机器学习模型，但很少有人解决细化问题，其中错误标记的区域应该被明确识别和纠正，并且所有这些都需要-通常非常大-数量的训练样本。我们提出了一种方法，名为标签清洗多实例学习（LC-MIL），细化粗注释在一个单一的WSI，而不需要外部训练数据。从具有不准确标签的WSI中裁剪的补丁在多实例学习框架内联合处理，从而减轻其对预测模型的影响并改进分割。我们在具有乳腺癌淋巴结转移、肝癌和结直肠癌样本的异质WSI集上的实验表明，LC-MIL显着细化了粗糙的注释，甚至在从单个幻灯片学习时，也优于最先进的替代方案。此外，我们展示了如何真正的病理学家绘制的注释可以有效地细化和改进所提出的方法。所有这些结果都表明LC-MIL是一种有前途的轻量级工具，可以从粗注释的病理集提供细粒度注释。

2022-06-07cs.CVcs.LG

基于人在回路训练的全切片病理图像高效质量控制

Efficient Quality Control of Whole Slide Pathology Images with Human-in-the-loop Training

本文提出轻量级深度学习分类器HistoROI，结合人在回路主动学习将全切片病理图像划分为六类组织区域，并在CAMELYON和TCGA数据集上验证其可提升下游诊断任务性能。

2024-09-29cs.CVeess.IV

基于注意力增强网络的数字病理图像细胞精确分割

Accurate Cell Segmentation in Digital Pathology Images via Attention Enforced Networks

Institute of Network Technology（网络技术研究所）；School of Automation（自动化学院）；Beijing University of Posts and Telecommunications（北京邮电大学）

自动细胞分割是计算机辅助诊断（CAD）流程中的重要步骤，例如乳腺癌的检测和分级。准确的细胞分割不仅可以帮助病理学家做出更精确的诊断，而且可以节省大量的时间和人力。然而，该任务受到染色变化、细胞不均匀强度、背景杂波和来自不同组织的细胞的影响。为了解决这些问题，我们提出了一个注意力增强网络（AENet），它是建立在空间注意力模块和通道注意力模块，集成局部特征与全局依赖性和权重有效的通道自适应。此外，我们还引入了一个特征融合分支来桥接高层次和低层次的特征。最后，标记控制的分水岭算法被应用到后处理的预测分割图，以减少破碎的区域。在测试阶段，我们提出了一个单独的颜色归一化方法来处理染色变化的问题。我们在MoNuSeg数据集上评估了这个模型。对几个先前的方法的定量比较证明了我们的方法的优越性。

2020-12-27cs.CVcs.LGeess.IV

DFDL：面向判别分类的字典学习用于历史学图像分类

DFDL: Discriminative Feature-oriented Dictionary Learning for Histopathological Image Classification

Pennsylvania State University（宾夕法尼亚州立大学）；UT MD Anderson Cancer Center（UT MD安德森癌症中心）

在组织病理学图像分析中，由于组织学特征的多样性以及丰富的几何结构的存在，用于分类的特征提取是一项具有挑战性的任务。在本文中，我们提出了一个自动特征发现框架，用于提取区分类特定的功能，并提出了一种低复杂度的方法，用于组织病理学的分类和疾病分级。从本质上讲，我们的判别式面向词典学习（DFDL）方法学习类特定的特征，这些特征适合于表示来自同一类的样本，而不能表示来自其他类的样本。在三个具有挑战性的真实世界图像数据库上的实验：1）导管内乳腺病变的组织病理学图像，2）由宾夕法尼亚州立大学动物诊断实验室（ADL）提供的哺乳动物肺图像，和3）来自癌症基因组图谱（TCGA）数据库的脑肿瘤图像，显示了DFDL模型在各种问题中优于最先进方法的意义

2015-02-03cs.CV